La diabetes es una enfermedad crónica que afecta a la forma en que el cuerpo produce y utiliza la insulina. La insulina es una hormona que ayuda a las células a absorber la glucosa del torrente sanguíneo. Cuando el cuerpo no produce suficiente insulina o no puede utilizar la insulina de forma eficaz, los niveles de glucosa en sangre pueden aumentar.
La diabetes es una enfermedad muy común. Se estima que afecta a más de 422 millones de personas en todo el mundo. En los Estados Unidos, la diabetes es la séptima causa principal de muerte.
Hay dos tipos principales de diabetes:
La diabetes puede causar una serie de complicaciones, que incluyen:
El tratamiento de la diabetes tiene como objetivo controlar los niveles de glucosa en sangre para prevenir complicaciones. El tratamiento puede incluir dieta, ejercicio, medicamentos y, en algunos casos, insulina.
Hay una serie de empresas que operan en el negocio de la diabetes. Estas empresas incluyen fabricantes de medicamentos, dispositivos médicos y equipos de diagnóstico.
Los fabricantes de medicamentos para la diabetes producen una variedad de medicamentos que se utilizan para tratar la diabetes tipo 1 y la diabetes tipo 2. Estos medicamentos incluyen insulina, medicamentos orales y agentes de incretina.
Los fabricantes de dispositivos médicos para la diabetes producen una variedad de dispositivos que se utilizan para ayudar a las personas con diabetes a controlar sus niveles de glucosa en sangre. Estos dispositivos incluyen monitores de glucosa en sangre, bombas de insulina y sensores de glucosa en sangre.
Los fabricantes de equipos de diagnóstico para la diabetes producen una variedad de equipos que se utilizan para diagnosticar la diabetes. Estos equipos incluyen pruebas de glucosa en sangre y pruebas de tolerancia a la glucosa.
Y nosotros, los fabriantes de modelos predictivos para lograr identificar a los pacientes vulnerables a la diabetes y así poder prevenir las complicaciones que esta enfermedad puede causar.
El negocio de la diabetes es un mercado en crecimiento. Esto se debe a que la prevalencia de la diabetes está aumentando. Además, las personas con diabetes están viviendo más tiempo, lo que está aumentando el gasto en atención médica para la diabetes.
Desarrollar una aplicación en Shiny que permita a los usuarios identificar su riesgo de diabetes a partir de sus datos de salud.
Este objetivo es específico, medible, alcanzable, relevante y oportuno. Es específico porque se centra en el desarrollo de una aplicación en Shiny. Es medible porque se puede medir el número de usuarios que utilizan la aplicación y el número de personas que son diagnosticadas con diabetes. Es alcanzable porque se cuenta con las habilidades y los recursos necesarios para desarrollar la aplicación. Es relevante porque la aplicación tiene el potencial de ayudar a las personas a identificar su riesgo de diabetes. Es oportuno porque la diabetes es una enfermedad importante que afecta a millones de personas en todo el mundo.
Para alcanzar este objetivo, se plantean los siguientes pasos:
Se describirán los datos que se utilizarán para desarrollar la aplicación en Shiny sin buscar una relación directa entre ellos.
El objetivo será tener una vision general de los datos y su estructura, además de entender a qué se refiere cada variable.
La glucosa es el azúcar que el cuerpo utiliza como energía. Cuando los niveles de glucosa en sangre son altos, puede ser un signo de diabetes.
a <- glucose %>%
select(Patient) %>%
group_by(Patient) %>%
summarise(
n=n()
) %>%
group_by(n)
table(a$n)##
## 1 2 3 4 5 8 12 30 35 50 91
## 120 42 8 11 3 907 93 1 1 1 1
Según los datos observados en la tabla, se cuenta con la toma de glucosa de pacientes, la fecha de la toma, el valor de la glucosa y el identificador del paciente.
La oximetría es una técnica para medir la cantidad de oxígeno en la sangre de una persona, generalmente a través de un dispositivo llamado oxímetro de pulso. Proporciona un porcentaje de saturación de oxígeno en la sangre, lo que es útil para evaluar la función respiratoria y la salud en general.
Según los datos observados en la tabla, se cuenta con la toma de oximetría de pacientes con la fecha de la toma, y el identificador del paciente además de la toma de lpm (latidos por minuto).
La presión arterial es la fuerza ejercida por la sangre contra las paredes de las arterias mientras el corazón bombea sangre alrededor del cuerpo.
La presión arterial normal se considera que es inferior a 120/80 mm Hg. Si la presión arterial es demasiado alta o demasiado baja, puede ser un signo de problemas de salud.
bloodPressure <- read_csv("data/bloodPressure.csv", col_types = cols()) %>%
filter(Patient!=81)
bloodPressureSegún los datos observados en la tabla, se cuenta con la toma de presión arterial de pacientes con la fecha de la toma, la presion arterial sistólica (Systolic) y la presión arterial diastólica (Diastolic) ademas de la presión arterial media (Mean).
El indice de masa corportal es una medida de la grasa corporal basada en
la altura y el peso de una persona. El IMC se utiliza a menudo para
determinar si una persona tiene sobrepeso o es obesa. Se calcula
dividiendo el peso en kilogramos por el cuadrado de la altura en
metros.
El IMC es una herramienta útil para evaluar el riesgo de una
persona de desarrollar problemas de salud relacionados con el peso, como
enfermedades cardíacas, diabetes y algunos tipos de
cáncer.
Según los datos observados en la tabla, se cuenta con la toma de peso y altura de los pacientes, la fecha de la toma, y el calculo del IMC.
En este punto se busca entender la distribución de los datos y la
correlación entre ellos. Tratar de encontrar patrones, identificar
outliers y transformar los datos a una forma más conveniente.
glucose %>%
summarise_all(~ sum(is.na(.))) %>%
gather() %>%
kable() %>%
kable_styling(full_width = F, position = "left")| key | value |
|---|---|
| Patient | 0 |
| Glucose | 0 |
| Date | 0 |
En la tabla anterior se puede observar que no hay valores faltantes en el dataset de glucosa.
Los datos del resumen del dataset de glucosa sugieren que la mayoría de
los pacientes tienen valores de glucosa normales. Sin embargo, hay
algunos pacientes con valores de glucosa más altos de lo normal. Por
ejmplo 207. Como tambien se identifican pacientes cerca de la
hipoglucemia (valores de glucosa muy bajos).
| Patient | Glucose | Date | |
|---|---|---|---|
| Min. : 1.0 | Min. : 51 | Length:8865 | |
| 1st Qu.: 521.0 | 1st Qu.: 82 | Class :character | |
| Median : 817.0 | Median :104 | Mode :character | |
| Mean : 814.1 | Mean :105 | NA | |
| 3rd Qu.:1120.0 | 3rd Qu.:127 | NA | |
| Max. :1453.0 | Max. :207 | NA |
La distribución de los datos parece ser un poco simétrica y se puede
observar que la mayoria de los pacientes tienen un valor de glucosa
entre 80 y 110. Además, hay una cola más larga a la derecha, lo que
indica que hay algunos pacientes con valores de glucosa más altos de lo
normal.
p <- p <- ggplot(glucose, aes(x = Glucose)) +
geom_histogram(binwidth = 10,color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Glucosa", y = "Frecuencia") +
theme_clean() +
ggtitle("Distribución de glucosa")
ggplotly(p)
Las tomas de glucosa se suelen tomar en la mañana y en la tarde. Se
espera que los valores de glucosa sean más bajos en la mañana y más
altos en la tarde. El siguiente gráfico confirma esta hipotesis.
glucose$IsMorning <- ifelse(is_morning(glucose$Date), "Morning", "Afternoon")
glucose$IsMorning <- factor(glucose$IsMorning)
ggplotly(ggplot(glucose, aes(x = Glucose, fill = IsMorning)) +
geom_histogram(binwidth = 10, alpha=0.7, color="#0A2F35") +
facet_grid(IsMorning ~ .) +
labs(x = "Glucosa", y = "Frecuencia") +
ggtitle("Distribución de glucosa por la mañana y por la tarde") +
theme_fivethirtyeight())
El siguiente gráfico muestra las tomas de los pacientes en la mañana con
una marca en el limite de lo que se considera normal. Los valores a la
derecha de la marca se consideran altos y se considerarían vulnerables a
diabetes.
morning_critir_value <- 100
ggplotly(ggplot(glucose %>% filter(IsMorning=="Morning"), aes(x = Glucose)) +
geom_histogram(binwidth = 10, alpha=0.7, color="#0A2F35", fill="#12492F") +
labs(x = "Glucosa", y = "Frecuencia") +
ggtitle("Distribución de glucosa en la mañana") +
geom_vline(xintercept = morning_critir_value, color = "red", linetype = "dashed", size = 1, show.legend = TRUE) +
theme_fivethirtyeight())
El siguiente gráfico muestra las tomas de los pacientes en la tarde con
una marca en el limite de lo que se considera normal. Los valores a la
derecha de la marca se consideran altos y se considerarían vulnerables a
diabetes.
afternoon_critir_value <- 180
ggplotly(ggplot(glucose %>% filter(IsMorning=="Afternoon"), aes(x = Glucose)) +
geom_histogram(binwidth = 10, alpha=0.7, color="#0A2F35", fill="#12492F") +
labs(x = "Glucosa", y = "Frecuencia") +
ggtitle("Distribución de glucosa en la tarde") +
geom_vline(xintercept = afternoon_critir_value, color = "red", linetype = "dashed", size = 1, show.legend = TRUE) +
theme_fivethirtyeight())
En el siguiente gráfico se identifican ciertas tomas de glucosa que se
considerarian outliers. Sin embargo, no son datos erroneos ya que es
posible que los pacientes tengan valores de glucosa muy altos o muy
bajos. Además, representan información importante para identificar a los
pacientes vulnerables a diabetes.
Se valida que los datos de la fecha esten en el formato correcto.
glucose <- glucose %>%
mutate(Date = parse_date_time(Date, orders = "mdy HM"))
sum(is.na(glucose$Date))## [1] 0
La función parse_date_time() de la biblioteca dplyr intenta convertir
una caedna de caracteres a una fecha y hora. Si la conversión no es
exitosa, la función devuelve un valor NA (formato incorrecto). Con el
resultado obtenido se puede concluir que todas la fechas se convirtieron
con éxito y tienen el formato correcto.
oximetry %>%
summarise_all(~ sum(is.na(.))) %>%
gather() %>%
kable() %>%
kable_styling(full_width = F, position = "left")| key | value |
|---|---|
| Patient | 0 |
| SpO2 | 0 |
| HeartRate | 0 |
| Date | 0 |
En la tabla anterior se puede observar que no hay valores faltantes en el dataset de oximetria.
El resument de los datos indica varias cosas. La Sp02 media de los pacientes es de 83 lo que indica que la mayoria de los pacientes tienen una saturación de oxígeno baja. Además, la frecuencia cardiaca media es de 80 lo que indica que la mayoria de los pacientes tienen una frecuencia cardiaca normal.
| Patient | SpO2 | HeartRate | Date | |
|---|---|---|---|---|
| Min. : 1.0 | Min. : 45.00 | Min. : 50.00 | Length:8866 | |
| 1st Qu.: 521.0 | 1st Qu.: 70.00 | 1st Qu.: 65.00 | Class :character | |
| Median : 817.0 | Median : 81.00 | Median : 80.00 | Mode :character | |
| Mean : 814.6 | Mean : 80.65 | Mean : 79.86 | NA | |
| 3rd Qu.:1120.0 | 3rd Qu.: 92.00 | 3rd Qu.: 95.00 | NA | |
| Max. :1453.0 | Max. :100.00 | Max. :217.00 | NA |
La distribución de la oximetria sugiere que hay un numero significativo de pacientes que tienen una saturación de oxígeno baja la cual es menos de 90. En general, la distribución de oximetría es asimetrica ya que hay más pacientes con una saturación de oxígeno baja(por debajo de 90) que con una saturación de oxígeno normal (arriba de 90).
ggplotly(ggplot(oximetry, aes(x = SpO2)) +
geom_histogram(binwidth = 10,color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Oximetria", y = "Frecuencia") +
theme_clean() +
ggtitle("Distribución de oximetria")
)
La distribución de la frecuencia cardiaca es levemente simétrica (excluyendo los outliers) y se puede observar que la mayoria de los pacientes tienen una frecuencia cardiaca entre 60 y 100. Hay ciertos pacientes con una frecuencia cardiaca muy alta (más de 120).
La correlacion entre la oximetría y la frecuencia cardiaca es positiva pero muy moderada. Lo que significa que en algunas ocaciones cuando la oximetría aumenta, la frecuencia cardiaca también aumenta. En general, no es una relacion directa y puedes haber otros factores que afecten los resultados de las muestras.
ggpairs(
select(oximetry, -Patient, -Date),
columns = c("SpO2", "HeartRate"),
title = "Gráfico de correlación entre variables",
)
El boxplot de la oximetria apesar de que muestra algunos datos muy preocupantes con indicios de enfermedades pulmonares o cardiovasculares, no se consideran outliers ya que es posible que los pacientes tengan una saturación de oxígeno muy baja o muy alta.
ggplotly(ggplot(oximetry, aes(y = SpO2)) +
geom_boxplot(color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Oximetria", y = "Frecuencia") +
theme_clean() +
ggtitle("Análisis de Outliers en oximetria")
)
En el siguiente gráfico se puede observar que hay algunos pacientes con una frecuencia cardiaca muy alta (más de 110) y esto puede tener relación con problemas de posible diabetes ya que la hipoglusemia puede causar taquicardia.
Segun los análisis de los boxplot de oximetría, no se evidencian outliers por lo cual solo se valida el formato de la fecha.
¿Hay algún paciente con una SpO2 o frecuencia cardíaca que haya cambiado significativamente con el tiempo?
bloodPressure %>%
summarise_all(~ sum(is.na(.))) %>%
gather() %>%
kable() %>%
kable_styling(full_width = F, position = "left")| key | value |
|---|---|
| Patient | 0 |
| Systolic | 0 |
| Diastolic | 0 |
| AvBloodPressure | 0 |
| HeartRate | 0 |
| Date | 0 |
En la tabla anterior se puede observar que no hay valores faltantes en el dataset de presión arterial.
| Patient | Systolic | Diastolic | AvBloodPressure | HeartRate | Date | |
|---|---|---|---|---|---|---|
| Min. : 1.0 | Min. : 74.0 | Min. : 42.00 | Min. : 59.0 | Min. : 48.00 | Length:8883 | |
| 1st Qu.: 520.0 | 1st Qu.: 97.0 | 1st Qu.: 62.00 | 1st Qu.: 96.0 | 1st Qu.: 65.00 | Class :character | |
| Median : 816.0 | Median :113.0 | Median : 73.00 | Median :113.0 | Median : 80.00 | Mode :character | |
| Mean : 812.6 | Mean :112.7 | Mean : 73.08 | Mean :113.5 | Mean : 79.97 | NA | |
| 3rd Qu.:1120.0 | 3rd Qu.:129.0 | 3rd Qu.: 84.00 | 3rd Qu.:131.0 | 3rd Qu.: 95.00 | NA | |
| Max. :1453.0 | Max. :173.0 | Max. :118.00 | Max. :149.0 | Max. :183.00 | NA |
ggplotly(ggplot(bloodPressure, aes(x = Systolic)) +
geom_histogram(binwidth = 10,color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Systolic", y = "Frecuencia") +
theme_clean() +
geom_vline(xintercept = 120, color = "red", linetype = "dashed", size = 1, show.legend = TRUE) +
ggtitle("Distribución de Systolic"))ggplotly(ggplot(bloodPressure, aes(x = Diastolic)) +
geom_histogram(binwidth = 10,color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Diastolic", y = "Frecuencia") +
theme_clean() +
geom_vline(xintercept = 80, color = "red", linetype = "dashed", size = 1, show.legend = TRUE) +
ggtitle("Distribución de Diastolic"))ggpairs(
select(bloodPressure, -Patient, -Date),
columns = c("Systolic", "Diastolic", "AvBloodPressure", "HeartRate"),
title = "Gráfico de correlación entre variables",
)
La grafica de la presion arterial sistolica muestra que hay algunos pacientes con una presion arterial sistolica muy alta (más de 170). La relación entre la presión arterial sistólica y la diabetes es compleja. La diabetes puede causar una serie de cambios en el cuerpo que pueden conducir a la presión arterial alta por lo cual no se consideran outliers.
Tambien se identifica un paciente con una presión arterial sistólica en 0 lo cual es imposible y se considera un outlier.
ggplotly(ggplot(bloodPressure, aes(y = Systolic)) +
geom_boxplot(color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Systolic", y = "Frecuencia") +
theme_clean() +
ggtitle("Análisis de Outliers en Systolic")
)
La grafica de la presion arterial diastolica muestra que hay algunos pacientes con algunos valores atipicos. Hay un paciente con una muestra de presión arterial diastólica en 0 lo cual es imposible y se considera un outlier.
Tambien, hay un paciente con una presión arterial diastólica muy alta en comparación al resto (más de 115) pero no se considera un outlier ya que la diabetes puede causar una serie de cambios en el cuerpo que pueden conducir a la presión arterial alta.
ggplotly(ggplot(bloodPressure, aes(y = Diastolic)) +
geom_boxplot(color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "Diastolic", y = "Frecuencia") +
theme_clean() +
ggtitle("Análisis de Outliers en Diastolic")
)
En el siguiente gráfico se puede observar que apesar que hay algunas tomas preocupantes, se encuentran dentro del rango normal en la distribución de los datos. Sin embargo, hay un paciente con una presión arterial de 0 lo cual es imposible y se considera un outlier.
ggplotly(ggplot(bloodPressure, aes(y = AvBloodPressure)) +
geom_boxplot(color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "AvBloodPressure", y = "Frecuencia") +
theme_clean() +
ggtitle("Análisis de Outliers en AvBloodPressure")
)
La grafica de la frecuencia cardiaca muestra que hay algunos pacientes con una frecuencia cardiaca muy alta en comparación a las demás muestras(más de 125), pero como se mencionó en los gráficos anteriores, la hipoglusemia puede causar taquicardia y no se consideran outliers.
Sin embargo, tambien se encuentra una muestra con valor 0 lo cual es imposible y se considera un outlier.
Seguún los análisis en los gráficos anteriores, se identificaron tomas de presión arterial sistólica, diastólica y media en 0.
Para los 4 gráficos anteriores, se identifica que el outlier es el mismo paciente. Por lo cual se decide eliminar esa toma para ese paciente del dataset ya que podría deberse a un error de medición o un error al ingresar los datos.
Tambien se identifica el campo AvBloodPreasure que es el promedio de la preción arterial, no tiene el valor correcto por lo cual se recalcula.
imc %>%
summarise_all(~ sum(is.na(.))) %>%
gather() %>%
kable() %>%
kable_styling(full_width = F, position = "left")| key | value |
|---|---|
| Patient | 0 |
| Weight | 0 |
| Height | 0 |
| IMC | 0 |
| Date | 0 |
| Patient | Weight | Height | IMC | Date | |
|---|---|---|---|---|---|
| Min. : 1.0 | Min. : 42.00 | Min. :1.450 | Min. : 3.62 | Length:8878 | |
| 1st Qu.: 519.2 | 1st Qu.: 64.58 | 1st Qu.:1.590 | 1st Qu.:21.49 | Class :character | |
| Median : 816.0 | Median : 82.38 | Median :1.720 | Median :27.42 | Mode :character | |
| Mean : 812.5 | Mean : 82.46 | Mean :1.725 | Mean :28.37 | NA | |
| 3rd Qu.:1120.0 | 3rd Qu.:100.78 | 3rd Qu.:1.860 | 3rd Qu.:34.18 | NA | |
| Max. :1453.0 | Max. :154.00 | Max. :6.520 | Max. :56.56 | NA |
ggplotly(ggplot(imc, aes(y = IMC)) +
geom_boxplot(color="#0A2F35", fill="#12492F", alpha=0.7) +
labs(x = "IMC", y = "Frecuencia") +
theme_clean() +
ggtitle("Análisis de Outliers en IMC")
)En este punto se realiza la unión de los datos por el método inner join. El join escogido se debe a que al ser una predicción a un tema tan delicado como es la diabetes, se requiere tener la mayor cantidad de datos por paciente para lograr una mayor confianza en los resiltados. Si alguno de los pacientes no cuenta con alguno de los examenes, simplemente se será excluido.
diabetes <- glucose %>%
inner_join(oximetry, by = c("Patient", "Date")) %>%
inner_join(imc, by = c("Patient", "Date")) %>%
inner_join(bloodPressure, by = c("Patient", "Date"))
nrow(diabetes)## [1] 8356
Se modifica el campo Date a timestamp para trabajarlo como numero ya que los modelos de clustering utilizan las distancias de los datos para lograr agruparlos.
diabetes <- diabetes %>%
mutate(Date = as.numeric(Date)) %>%
mutate(HeartRate = (HeartRate.x + HeartRate.y) / 2) %>%
mutate(AvBloodPressure = Diastolic + (1/3) * (Systolic - Diastolic)) %>%
select(-Patient, -Height, -Weight, -HeartRate.x, -HeartRate.y, -Systolic ,-Diastolic)
#select(-Patient, -HeartRate.x, -HeartRate.y)Normalización de datos
Se aplica la funcion PCA para determinar los componenten principales del dataset. el valor ncp=3 es la cantidad de componentes principales que queremos calcular.
La función fviz_pca_var tiene como objetivo visualizar las contribuciones de las variables originales a los componentes principales generados por el PCA en su primera dimensión.
fviz_pca_var(res.pca, col.var="contrib") +
scale_color_gradient2(low="blue", mid="white", high="red", midpoint=55) +
theme_clean()La tabla permite visualizar el total de las dimensiones con las diferentes contribuciones de cada variable.
De la tabla acontinuación se presentan las conclusiones clave:
En la priemra dimensión del análisis de PCA, los componentes Sp02, AvBloodPressure e IMC suman un 93.44458% del total de la varianza. En la segunda dimensión, los componentes Date y AvBloodPressure suman un 90.05333% del total de la varianza y por ultimo, En la tercera dimensión, los componentes Glucose, HeartRate y AvBloodPressure en conjunto representan aproximadamente el 93.48321% de la varianza total.
Solo se tuvieron en cuenta las 3 variables más representativas dentro de cada dimensión basados en su varianza ya que la idea es reducir al maximo las dimensiones para lograr una mayor fácilidad al usuario al momento de la predicción al tener que ingresar menos valores.
Por otro lado, los mejores candidatos para el análisis son Glucose, AvBloodPressure, HeartRate en la tercera dimensión ya que representan una mayor cantidad de la varianza total.
Además, apesar de que el IMC es un buen indicador de diabetes, no se tendrá en cuenta ya que en la diabetes tipo 1 se cree que es ocacionada por factores genéticos y ambientales y no por el peso corporal. Lo cual permite que el modelo sea más generalizado y no se limite a un grupo de personas con un IMC alto.
| Dim.1 | Dim.2 | Dim.3 | |
|---|---|---|---|
| Glucose | 2.771666 | 2.165494 | 50.5796349 |
| Date | 2.951490 | 57.993593 | 0.9765761 |
| SpO2 | 42.338570 | 5.900827 | 0.7326218 |
| IMC | 47.281789 | 3.165936 | 4.8075906 |
| AvBloodPressure | 3.824225 | 26.158914 | 9.1992338 |
| HeartRate | 0.832259 | 4.615236 | 33.7043427 |
Basados en el análisis anterior, se selección las variables correspondientes del dataset original.
La función fviz_nbclust permite determinar el numero optimo de clusters en un proceso de clustering utilizando diferentes métodos de evaluación de clústeres, como el método el método de la silueta (silhouette).
Según lo sugiere el grafico anterior, el numero de clusters optimos es 2 por lo cual se configura el parámetro k con dicho valor.
Se asignan los clusters determinados por el modelo no supervidado a los diferentes pacientes del dataset.
El coeficiente de varianza explicada es una medida de la proporción de la varianza total de los datos que se explica por los clusters. Un coeficiente de varianza explicada alto indica que los clusters explican una gran parte de la variabilidad de los datos.
coeficiente de varianza explicada = (varianza entre clusters) / (varianza total)
## [1] 0.3345927
Uno de los principales factores de diabetes los niveles de azúcar en sangre, Por lo cual, el grupo que contenga el mayor indice de pacientes con glucosa alta, será el seleccionado como el grupo vulnerable.
El limite de lo que se considera una glucosa alta es de 100, por lo cual - el grupo del cluster 1 que agrupa más pacientes con esta condición, será el grupo vulnerable a diabetes.